Analisis sentimen publik terhadap kebijakan kurikulum merdeka menggunakan Algoritma Multinomial Naive Bayes dengan Pembobotan Term Frequency-Inverse Document Frequency (TF-IDF)

INDONESIA :

Salah satu kebijakan baru yang saat ini diterapkan pada sistem pendidikan Indonesia yang bertujuan untuk meningkatkan kualitas sistem pendidikan Indonesia adalah Kurikulum Merdeka. Konsep utama yang diterapkan pada kurikulum tersebut adalah kebebasan atau merdeka dalam berpikir. Pada penerapan kebijakan tersebut menimbulkan perspektif publik baik yang mendukung, bersikap netral bahkan tidak mendukung kebijakan tersebut. Sehingga perlu dilakukan analisa untuk mengetahui perspektif publik terhadap kebijakan kurikulum merdeka yaitu dengan menggunakan analisis sentimen. Terdapat beberapa metode dan fitur yang dapat digunakan dalam analisis sentimen, pada penelitian ini menggunakan algoritma Multinomial Naïve Bayes dengan pembobotan TF-IDF. Oleh sebab itu penelitian ini bertujuan untuk mengetahui sentimen masyarakat terkait kebijakan kurikulum merdeka yang diterapkan sekaligus mengukur performa sistem menggunakan algoritma Multinomial Naïve Bayes dengan pembobotan TF-IDF dalam mengklasifikasikan data untuk analisis sentimen. Data sentimen yang digunakan pada penelitian ini diperoleh dari Twitter. Penelitian tentang proses pengklasifikasian tweets menggunakan algoritma Multinomial Naïve Bayes dengan pembobotan TF-IDF ini menghasilkan performa sistem terbaik pada skenario pengujian dengan menghapus kata yang hanya muncul satu sampai dua kali dalam seluruh dokumen. Nilai akurasi terbaik diperoleh pada skenario pengujian keempat dengan menggunakan data latih 595 dokumen dan data uji sebanyak 255. Nilai akurasinya yaitu sebesar 68%, presisinya sebesar 68%, recall sebesar 67% dan f1-score sebesar 68%. Selain itu, rata-rata akurasi yang diperoleh ketika menggunakan K-Fold Cross Validation dengan nilai k=5 adalah 62,7%. Berdasarkan nilai akurasi pengujian tersebut dapat disimpulkan bahwa penggunaan algoritma Multinomial Naïve Bayes dengan pembobotan TF-IDF dapat diimplementasikan dalam sistem klasifikasi sentimen.

ENGLISH :

Merdeka Curriculum is a new policy recently implemented to improve Indonesia's education system quality. The curriculum's main concept refers to the freedom to think. Its implementation leads to supporting, neutral, and opposing public perspectives. Therefore, it is important to do a sentiment analysis to find out public perspectives on Merdeka curriculum policy. Since some methods and features exist for sentiment analysis, the researcher chooses the Multinomial Naïve Bayes algorithm and TF-IDF weighting. The research aims to reveal the public sentiment on the implemented Merdeka curriculum and measure the system performance using the Multinomial Naïve Bayes algorithm and TF-IDF weighting to classify data for sentiment analysis. The sentiment data for the research are mainly from Twitter. The research on the tweet classification process using the Multinomial Naïve Bayes algorithm and TF-IDF weighting generates the best system performance of the test scenario by erasing words that emerge once or twice in all documents. The highest accuracy score is achieved by the fourth test scenario consisting of 595 training data and 255 testing data in its documents. The accuracy, precision, recall, and f1 scores are 68%, 68%, 67%, and 68%, respectively. In addition, the accuracy mean is 62.7% when the researcher employs K-Fold Cross Validation using k = 5. The test accuracy score concludes that the Multinomial Naïve Bayes algorithm and TF-IDF weighting can be implemented in the sentiment classification system.

ARAB :

ومن السياسات الجديدة المطبقة حاليا في نظام التعليم الإندونيسي التي تهدف إلى تحسين جودة نظام التعليم الإندونيسي منهج التعليم المستقل. المفهوم الرئيسي المطبق على ذلك المنهج هو الحرية أو حرية الفكر. يثير تنفيذ السياسة منظورا عاما جيدا يدعم السياسة أو حيادها حتى لا يدعم هذه السياسة. لذلك من الضروري تحليلها لمعرفة وجهة نظر الجمهور حول سياسة منهج التعليم المستقل، أي باستخدام تحليل المشاعر. هناك العديد من الطرق والميزات التي يمكن استخدامها في تحليل المشاعر، في هذا البحث باستخدام المصنف البايزي الساذج متعدد الحدود مع معامل تردد المصطلح - معكوس تردد الوثيقة (التي اف-أي دي دف). لذلك، يهدف هذا البحث إلى تحديد المشاعر العامة فيما يتعلق بسياسة منهج التعليم المستقل المطبق أثناء قياس أداء النظام باستخدام المصنف البايزي الساذج متعدد الحدود مع معامل التي اف-أي دي دف في تصنيف البيانات لتحليل المشاعر. تم الحصول على بيانات المشاعر المستخدمة في هذه البحث من تويتر. أدى هذا البحث حول عملية تصنيف التغريدات باستخدام المصنف البايزي الساذج متعدد الحدود مع معامل التي اف-أي دي دف إلى أفضل أداء للنظام في سيناريو الاختبار عن طريق إزالة الكلمات التي ظهرت مرة أو مرتين في المستند بأكمله. تم الحصول على أفضل قيمة دقة في سيناريو الاختبار الرابع باستخدام ٥٩٥ وثيقة من بيانات التدريب و٢٥٥ من بيانات الاختبار. قيمة الدقة ٦٨%، الضبط ٦٨%، الاستدعاء ٦٧%، ودرجة ف١ ٦٨%. بالإضافة إلى ذلك، فإن متوسط الدقة التي تم الحصول عليها عند استخدام التحقق المتقاطع كي-طيه (K-Fold) بقيمة ك = ٥ هو ٦٢.٧%. بناء على قيمة دقة الاختبار، يمكن الاستنتاج أن استخدام المصنف البايزي الساذج متعدد الحدود مع معامل التي اف-أي دي دف يمكن تنفيذه في نظام تصنيف المشاعر.